Предположим, что у меня есть:
test = numpy.array([[1, 2], [3, 4], [5, 6]])
test[i] получает i-й строку массива (например, [1, 2]). Как я могу получить доступ к i-му столбцу? (например, [1, 3, 5]). Кроме того, будет ли это дорогостоящей операцией?
>>> test[:,0]
array([1, 3, 5])
Аналогично,
>>> test[1,:]
array([3, 4])
позволяет вам обращаться к строкам. Это описано в разделе 1.4 (Индексация) ссылки NumPy. Это быстро, по крайней мере, в моем опыте. Это, конечно, намного быстрее, чем доступ к каждому элементу цикла.
И если вы хотите получить доступ к нескольким столбцам за раз, вы могли бы сделать:
>>> test = np.arange(9).reshape((3,3))
>>> test
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> test[:,[0,2]]
array([[0, 2],
[3, 5],
[6, 8]])
>>> test[:,0]
array([1, 3, 5])
эта команда дает вам вектор-строку, если вы просто хотите ее перебрать, это хорошо, но если вы хотите hstack с другим массивом с размером 3xN, у вас будет
ValueError: все входные массивы должны иметь одинаковое количество измерений
а
>>> test[:,[0]]
array([[1],
[3],
[5]])
дает вам вектор-столбец, так что вы можете выполнять операцию конкатенации или hstack.
например.
>>> np.hstack((test, test[:,[0]]))
array([[1, 2, 1],
[3, 4, 3],
[5, 6, 5]])
Вы также можете транспонировать и возвращать строку:
In [4]: test.T[0]
Out[4]: array([1, 3, 5])
Чтобы получить несколько независимых столбцов, просто:
> test[:,[0,2]]
вы получите столбцы 0 и 2
Хотя на вопрос дан ответ, позвольте мне упомянуть некоторые нюансы.
Допустим, вы заинтересованы в первом столбце массива
arr = numpy.array([[1, 2],
[3, 4],
[5, 6]])
Как вы уже знаете из других ответов, чтобы получить его в виде "вектора строки" (массив shape (3,)), вы используете нарезку:
arr_c1_ref = arr[:, 1] # creates a reference to the 1st column of the arr
arr_c1_copy = arr[:, 1].copy() # creates a copy of the 1st column of the arr
Чтобы проверить, является ли массив представлением или копией другого массива, вы можете сделать следующее:
arr_c1_ref.base is arr # True
arr_c1_copy.base is arr # False
см. ndarray.base.
Помимо очевидного различия между ними (изменение arr_c1_ref повлияет на arr), количество шагов в байтах для обхода каждого из них различно:
arr_c1_ref.strides[0] # 8 bytes
arr_c1_copy.strides[0] # 4 bytes
видеть успехи. Почему это важно? Представьте, что у вас есть очень большой массив A вместо arr:
A = np.random.randint(2, size=(10000,10000), dtype='int32')
A_c1_ref = A[:, 1]
A_c1_copy = A[:, 1].copy()
и вы хотите вычислить сумму всех элементов первого столбца, т.е. A_c1_ref.sum() или A_c1_copy.sum(). Использование скопированной версии намного быстрее:
%timeit A_c1_ref.sum() # ~248 µs
%timeit A_c1_copy.sum() # ~12.8 µs
Это связано с разным количеством шагов, упомянутых ранее:
A_c1_ref.strides[0] # 40000 bytes
A_c1_copy.strides[0] # 4 bytes
Хотя может показаться, что лучше использовать копии столбцов, это не всегда так, потому что создание копии занимает много времени и требует больше памяти (в этом случае мне понадобилось около 200 мкс для создания A_c1_copy). Однако, если нам нужна копия в первую очередь, или нам нужно выполнить много разных операций с определенным столбцом массива, и мы в порядке с потерей памяти ради скорости, то создание копии - это путь.
В случае, если мы заинтересованы в работе в основном со столбцами, было бы неплохо создать наш массив в мажорном столбце ('F'), а не в мажорном ряду ('C') (по умолчанию), а затем выполните нарезку, как раньше, чтобы получить столбец, не копируя его:
A = np.asfortranarray(A) # or np.array(A, order='F')
A_c1_ref = A[:, 1]
A_c1_ref.strides[0] # 4 bytes
%timeit A_c1_ref.sum() # ~12.6 µs vs ~248 µs
Теперь выполнение операции суммирования (или любой другой) в представлении столбцов выполняется намного быстрее.
Наконец, позвольте мне заметить, что транспонирование массива и использование нарезки строк - это то же самое, что использование нарезки столбцов в исходном массиве, потому что транспонирование выполняется просто путем замены формы и шагов исходного массива.
A.T[1,:].strides[0] # 40000
>>> test
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> ncol = test.shape[1]
>>> ncol
5L
Затем вы можете выбрать 2-й столбец следующим образом:
>>> test[0:, 1:(ncol - 1)]
array([[1, 2, 3],
[6, 7, 8]])
test=numpy.array([[1,2],[3,4],[5,6]])
print(test)
output:[[1 2]-->0th index row
[3 4]-->1st index row
[5 6]]-->2nd index row
| |
0 1 columns.
so we've 3 rows and 2 columns.
>>>test[:,0]
array([1,3,5])
>>>test[2,:]
array([5,6])
**1Q)how to access [1,3,5]**
A)you want [1,3,5] as out put,i.e all rows elements and only 0th column elements.
so we've to use test[:,0]. i.e. test[rows,columns]
Here ':' indicates all rows,0 indicates 0th column
**2Q)How to access [5,6]**
A)you want access [5,6],it is in row wise 3rd row(i.e 2nd index row) and columns wise 0,1 columns(i.e all columns),to access this we use below code.
test[2,:]
In this way we access rows and columns values.